让 学习 成为一种 习惯 ( 韩曙亮 の 技术博客 )

一、文本相似度排序1、向量数据库查询弊端2、二次排序的必要性2、相似度排序模型 3、Bi-Encoder 双编码器4、Cross-Encoder 交叉编码器5、结合使用6、Bi-Encoder 双编码器 与 Cross-Encoder 交叉编码器 对比二、Bi-Encoder 双编码器 用法实例三、Cross-Encoder 交叉编码器 用法实例1、Cross-Encoder 交叉编码器 实现原理4、Cross-Encoder 交叉编码器 代码示例

一、报错信息二、问题分析1、查看本地模型缓存2、使用 Python 代码测试网络3、终极解决方案 - 手动下载模型三、解决方案1、网络问题 - 清除代理2、问题解决后成功执行

一、Sentence Transformers 工具库1、Sentence Transformers 概念2、Sentence Transformer 特点二、本地部署向量模型1、安装 Sentence Transformers2、本地运行向量模型 - Sentence Transformer 示例3、查看本地部署的向量模型三、从 Hugging Face 模型库 中查找模型1、查询模型2、查询文本向量模型3、筛选适合中文的 文本向量模型4、BAAI 与 BGE 模型四、使用 BAA

一、错误记录二、问题分析三、解决方案1、升级 huggingface_hub 函数库2、使用旧版本 huggingface_hub 函数库兼容写法

OSError: We couldn't connect to 'https://huggingface.co' to load this file, couldn't find it in the cached files and it looks like sentence-transformers/all-MiniLM-L6-v2 is not the path to a directory containing a file named config.json.Checkout your inte

一、本地知识库 搭建1、大模型弊端2、向量数据库 -> 本地知识库二、RAG 检索增强生成 三阶段1、RAG 三阶段简介2、RAG 三阶段 流程图3、检索 Retrieval - 向量相似度匹配4、增强 Augmented - 知识库信息注入5、生成 Generation - 大模型整合输出三、完整代码示例1、生成本地知识库代码示例2、生成本地知识库执行结果3、RAG 服务实现① 检索 Retrieval 模块② 增强 Augmented 模块③ 生成 Generation

File "D:\001_Develop\022_Python\Python39\lib\ssl.py", line 997, in _create raise ValueError("check_hostname requires server_hostname")ValueError: check_hostname requires server_hostname

一、向量数据库1、向量数据库引入2、向量数据库简介3、向量数据库 索引结构和搜索算法4、向量数据库 应用场景5、传统数据库 与 向量数据库 对比二、常见 向量数据库 对比三、向量数据库 案例1、安装 向量数据库 chromadb2、核心要点 解析① 创建数据库实例② 创建数据库表③ 向 向量数据库表 中 插入文本向量④ 从 向量数据库表 中查询 相似数据3、完整代码示例

Cargo, the Rust package manager, is not installed or is not on PATH. This package requires Rust and Cargo to compile extensions. Install it through the system's package manager or via https://rustup.rs/ Checking for Rust toolchain....

一、向量相似度计算二、余弦距离1、余弦距离 概念2、余弦距离 特点3、余弦距离 适用场景4、余弦距离 代码示例三、欧式距离1、欧式距离 概念2、欧式距离 特点3、欧式距离 适用场景4、欧式距离 代码示例四、OpenAI 文本向量模型1、OpenAI 的 text-embedding-ada-002 文本向量模型2、使用 Scikit-learn 机器学习库中的函数计算文本向量距离五、手动实现的 余弦相似度 和 欧氏距离 函数计算1、余弦距离计算2、欧式距离计算

一、DeepSeek 大模型1、DeepSeek-R1 和 DeepSeek-V3 大模型DeepSeek-V3 大模型DeepSeek-R1 大模型大模型调用2、DeepSeek 官网访问 DeepSeek-R1 和 DeepSeek-V3 大模型3、DeepSeek 大模型参数4、DeepSeek 蒸馏模型本地部署硬件需求二、DeepSeek 开发者平台1、开放平台地址2、申请 API Key3、Python 调用 DeepSeek API三、本地部署 DeepSeek 大模型

一、百度智能云 开发者注册1、实名认证2、开通模型服务二、开发文档 和 视频教程1、视频教程2、开发文档三、模型广场四、体验中心五、在线推理六、Python SDK 简单调用1、参考文档2、开发环境准备3、安装 SDK4、拷贝示例代码5、查找 Access Key 和 Secret Key6、执行结果

一、Word2Vec 词汇映射向量空间模型1、Word2Vec 模型简介2、连续词袋模型 CBOW - 算法原理3、连续词袋模型 CBOW - 模型训练步骤4、跳字模型 Skip-gram - 算法原理5、跳字模型 Skip-gram - 模型训练步骤6、文本向量表示7、Word2Vec 文本向量的应用场景二、Word2Vec 完整代码示例1、Python 中实现 Word2Vec 模型的库2、安装 tensorflow 软件包3、代码示例4、执行结果

一、关键字检索 和 向量检索1、关键字检索2、向量检索二、向量检索 分析1、向量 简介2、二维空间 向量计算 示例3、文本向量 ( 重点 ★★ )4、文本向量示例 ( 重点 ★ )

一、大模型的相关问题描述1、大模型 " 幻觉 " 问题描述2、大模型 " 时效性 " 问题描述3、大模型 " 数据安全 " 问题描述二、RAG 检索增强生成1、RAG 引入2、RAG 关键组件3、LLM + RAG 的运行流程

一、CodeGeeX 工具1、CodeGeeX 简介2、CodeGeeX 功能3、CodeGeeX 使用与授权4、CodeGeeX 插件支持5、Intellij IDEA 安装 CodeGeeX 插件6、VSCode 安装 CodeGeeX 插件7、VSCode 使用 CodeGeeX 插件进行补全编程二、Tabby 工具1、Tabby 工具简介2、Tabby 相关网站资源3、Tabby 使用场景4、Tabby 部署与使用

一、Meta Llama 3 大模型安装1、Llama 3 大模型简介2、Ollama 软件下载安装3、Llama3 模型下载二、Meta Llama 3 大模型使用1、Llama 3 大模型在线使用2、Llama 3 大模型离线使用

一、AI 编程简介1、GPT 大模型 可 替代的工作特点 - " 输入文本 -> 输出文本 "2、大模型 的 编程能力3、GPT 大模型 进行编程工作 的优缺点4、AI 编程技巧5、提示工程 应用于 AI 编程6、AI 编程的适用场景二、使用 GitHub Copilot 插件进行 AI 编程1、GitHub Copilot 简介2、GitHub Copilot 软件购买3、PyCharm 中安装 GitHub Copilot 插件4、PyCharm 中登录 GitHub Copilo

一、Plugins、Actions 扩展1、GPT 大模型缺陷 - 引入 Plugins、Actions 扩展2、Plugins 插件3、Plugins 插件开发流程4、Plugins 插件弊端 - Actions 引入5、Actions 简介二、ChatGPT 的平替 - Coze、Dify三、函数调用 Function Calling 引入四、函数调用开发流程1、调用 OpenAI 的接口2、函数定义3、大模型回调4、本地代码逻辑5、第二次大模型调用五、函数调用代码示例

一、安装 Python SDK1、检查 Python 版本2、安装 Python - 安装包安装3、安装 Python - Homebrew 安装二、安装 OpenAI 软件包三、安装 PyCharm四、导入 OpenAI 库并进行开发

一、接口概念1、接口类型 - 人机交互接口 / 应用程序编程接口2、人机交互口的发展 - 命令行 -> 图形界面 -> 语言界面 -> 脑机3、应用程序编程接口的发展 - 本地 -> 远程 -> 自然语言接口二、AI 大模型缺陷与补救措施 - 函数调用 Function Calling 引入1、AI 大模型原理2、AI 大模型缺陷3、函数调用 Function Calling 引入4、" 真逻辑 " 要求5、函数调用 Function Calling 为 大模型 赋能 " 真逻辑 "

一、自然语言处理 NLP二、自然语言理解 NLU三、自然语言生成 NLG四、使用 提示词 + 大模型 实现 NLU五、使用 提示词 + 大模型 实现 NLG

一、提示词用法二、提示词 Prompt 构成1、提示词构成2、提示词位置对权重的影响3、定义角色的好处三、提示词 Prompt 调优1、结合 训练数据 写提示词2、不知道训练数据的情况 - 不断尝试3、高质量提示词特征 - 小作文四、OpenAI 的 API 类型1、续写文本 API 示例2、对话 API 示例五、OpenAI API 中的重要参数说明

一、大模型技术方向 - 大模型训练 / 大模型应用二、大模型应用 - 业务架构1、AI Embedded 模式2、AI Copilot 模式3、AI Agent 模式三、大模型应用 - 技术架构1、提示词 技术架构2、Agent + Function Calling 技术架构3、RAG 技术架构4、Fine-tuning 微调 技术架构

一、安装 Python SDK二、安装 OpenAI Python SDK1、安装 openai 软件包2、查看 openai 软件包版本3、openai 接口参考文档三、PyCharm 中开发 Python 程序调用 OpenAI 接口1、PyCharm 创建 Python 项目2、API Key 配置用法3、GPT3 模型和 GPT4 模型4、Python 代码示例

一、GPT 大模型训练架构 - Transformer 架构1、Transformer 架构2、Transformer 架构的编码器和解码器3、输入序列的位置编码4、自注意力机制编码流程5、OpenAI 开源的训练 GPT 大模型的 Transformer 代码6、Transformer 代码示例

一、语言选择 - 英文更准确二、自洽性三、思维树四、提示词正常输出 -> 思维链 -> 自洽性 -> 思维树 进化过程五、提示词使用技巧

一、提示工程 Prompt Engineering 简介1、通用人工智能 和 专用人工智能2、Prompt 提示词3、提示工程4、掌握 提示工程 的优势5、提示工程目的二、提示词组成、迭代、调优及示例1、提示词的组成2、提示词的迭代、调优3、提示词基础示例4、提示词 " 指定输出格式 " 示例5、提示词 " 上下文语境 " 示例 - 多轮对话解决问题6、提示词 " 增加约束 " 示例三、思维链 Chain of Thought1、思维链简介2、思维链推理过程3、启用思维链的提

一、AI 发展和业务分类1、人工智能 Artificial Intelligence 发展阶段2、AI 业务涉及到的问题3、AI 业务分类二、ChatGPT 分析1、ChatGPT 原理2、ChatGPT 训练3、ChatGPT 可以解决的问题4、ChatGPT 不能解决的问题

一、商务智能概念、二、商务智能组成要素、三、商务智能过程、四、商务智能系统 与 决策支持系统、

一、数据仓库 与 传统数据库 区别、二、数据仓库系统体系结构、三、多维数据模型、1、星型模式、2、雪片模式、3、事实星座、四、在线分析处理、五、多维数据分析操作

一、数据预处理主要任务、二、数据规范方法、1、z-score 规范化、2、最小-最大规范化、三、数据离散方法、1、分箱离散化、2、基于熵的离散化、总结、